[发明专利]一种基于信道状态信息的非接触式睡眠分期装置及方法

权利要求书

1.一种基于信道状态信息的非接触式睡眠分期装置，其特征在于，所述装置包括笔记本电脑、无线路由器和外接天线，所述笔记本电脑安装有无线网卡以及CSI Tool软件，所述无线网卡、外接天线和无线路由器依次通信连接，所述笔记本电脑利用CSI Tool采集信道状态信息并保存；

所述笔记本电脑中具有滤波模块、相关性剔除模块、呼吸信号提取模块和睡眠分期模块；

所述滤波模块用于采用Hampel滤波器对所述信道状态信息进行滤波去噪，得到去噪后的信道状态信息；

所述相关性剔除模块用于使用主成分分析方法剔除去噪后的信道状态信息中不同信道之间的相关性，只保留CSI变化的最主要成分，得到信道状态信息主成分；

所述呼吸信号提取模块用于使用sym8对信道状态信息主成分进行多尺度分解，并采用第八层近似系数重构信号，获取呼吸信号；

所述睡眠分期模块包括特征提取子模块、特征子集选择子模块和睡眠阶段识别子模块；

所述特征提取子模块用于对呼吸信号进行呼吸特征提取，提取的特征包括时域特征、频域特征和非线性特征；

所述特征子集选择子模块用于利用信息增益在提取的呼吸特征中选择最优特征子集，以降低特征维数；

所述睡眠阶段识别子模块用于使用隐马尔科夫模型构建睡眠阶段识别模型。

2.如权利要求1所述的装置，其特征在于，所述笔记本电脑中安装有Ubuntu操作系统，所述无线网卡的型号为Intel 5300。

3.如权利要求1所述的装置，其特征在于，所述特征提取子模块对连续呼吸间期进行分析，提取特征，提取的特征中时域特征包括均值、方差、最大值、最小值、标准差、差值均方根、差值标准差和变异系数；频域特征包括频带总能量和低频频段与高频频段能量比值；非线性特征包括样本熵。

4.一种基于信道状态信息的非接触式睡眠分期方法，其特征在于，所述方法包括：

利用CSI Tool采集信道状态信息并保存；

采用Hampel滤波器对信道状态信息进行滤波去噪，得到去噪后的信道状态信息；

使用主成分分析方法剔除去噪后的信道状态信息中不同信道之间的相关性，只保留CSI变化的最主要成分，得到信道状态信息主成分；

使用sym8对信道状态信息主成分进行多尺度分解，并采用第八层近似系数重构信号，获取呼吸信号；

对呼吸信号进行呼吸特征提取，提取的特征包括时域特征、频域特征和非线性特征；

利用信息增益在提取的呼吸特征中选择最优特征子集，以降低特征维数；

使用隐马尔科夫模型构建睡眠阶段识别模型。

5.如权利要求4所述的方法，其特征在于，对呼吸信号进行呼吸特征提取时为对连续呼吸间期进行分析，提取特征，提取的特征中时域特征包括均值、方差、最大值、最小值、标准差、差值均方根、差值标准差和变异系数；频域特征包括频带总能量和低频频段与高频频段能量比值；非线性特征包括样本熵。

6.如权利要求5所述的方法，其特征在于，使用隐马尔科夫模型构建睡眠阶段识别模型具体包括：

建立呼吸特征集合G＝{均值，方差，最大值，最小值，标准差，差值均方根，差值标准差，变异系数，频带总能量，低频频段与高频频段能量比值，样本熵}；

建立状态集合S＝{S₁，S₂，S₃，S₄}，其中S₁、S₂、S₃和S₄为睡眠阶段，即S₁为清醒期，S₂为快速眼动期，S₃为浅睡期，S₄为深睡期；

获取初始状态概率分布π＝{π₁，π₂，π₃，π₄}，其中的取值为医疗权威机构提供的各个睡眠阶段所占比例，π₁＝0.07，π₂＝0.23，π₃＝0.55，π₄＝0.15；

根据呼吸特征集合G确定观测序列O＝{o₁，o₂，…o_i，…，o_t}，其中o_i为呼吸特征集合G；

获取状态序列q＝{q₁，q₂，…，q_i，…，q_t}，其中q_i∈{S₁，S₂，S₃，S₄}；

使用训练集数据对睡眠阶段转换进行概率统计，得到状态转移概率矩阵A＝{a_ij}，其中a_ij＝P(q_t+1＝S_j│q_t＝S_i)，1≤i，j≤4；

对睡眠阶段所对应的呼吸特征进行概率统计，得到观测概率分布矩阵B＝{b_j(k)}，b_j(k)＝P(o_t＝v_k│q_t＝S_j)，1≤j≤4，v_k为观测序列0第t个特征o_t的实际值；

建立隐马尔科夫模型λ＝(π，A，B)；

采用隐马尔科夫模型解码过程的Viterbi算法，根据观测序列O与隐马尔科夫λ＝(π，A，B)，求解最有可能的隐状态序列，即睡眠阶段序列。